Descubrimiento de características clave de electromiografía de superficie durante la marcha para distinguir masa muscular alta y baja mediante análisis con aprendizaje automático

Por qué tu forma de andar dice más de lo que crees

La mayoría de la gente piensa en la pérdida de músculo como un problema de la vejez, sin embargo la cantidad de músculo que llevamos en la juventud y la mediana edad puede condicionar cómo nos movemos y mantenemos la salud más adelante. Las pruebas estándar de masa muscular requieren aparatos voluminosos y visitas a la clínica. Este estudio explora si una simple caminata, registrada con pequeños sensores en las piernas y analizada por ordenador, puede revelar quiénes tienen masa muscular relativamente baja o alta, incluso entre adultos sanos.

Escuchar a los músculos mientras te mueves

En lugar de escanear todo el cuerpo, los investigadores se centraron en las pequeñas señales eléctricas que los músculos producen de forma natural cuando se contraen. Estas señales, captadas en la superficie de la piel mediante adhesivos sobre cuatro músculos clave de la pierna, se registraron mientras 133 adultos de 20 a 59 años caminaban de ida y vuelta a velocidades normal y rápida. Al mismo tiempo, sensores de movimiento ayudaron a dividir cada marcha en pasos individuales para que el equipo pudiera examinar la actividad muscular ciclo a ciclo en lugar de verla como un solo borrón largo.

Clasificando a las personas por tamaño muscular

Los participantes también completaron una prueba estándar de composición corporal que estima cuánta masa muscular hay en brazos y piernas. Dado que no existen umbrales ampliamente aceptados para “masa muscular baja” en adultos más jóvenes, el equipo usó un método de agrupamiento basado en datos para colocar a las personas en tres clústeres dentro de sus bandas de sexo y edad, y luego combinó los dos clústeres superiores en un único grupo de alta masa muscular. Esto creó una etiqueta clara de masa muscular baja frente a alta para cada persona sin depender de umbrales arbitrarios.

Enseñar a los ordenadores a leer señales musculares

De cada paso registrado, los investigadores extrajeron cientos de características numéricas que describen cuán fuertes, cuán complejas y cuán rápidamente cambian las señales de cada músculo, incluyendo patrones sutiles revelados por procesamiento avanzado de señales. Luego emplearon varios modelos comunes de aprendizaje automático para aprender la relación entre estas características y las etiquetas de masa muscular baja o alta. Para comprobar que los sistemas funcionaban con personas nuevas, entrenaron los modelos con todos menos un participante y los probaron en la persona dejada fuera, repitiendo este proceso de forma que cada voluntario sirviera una vez como caso no visto.

Lo que aprendieron los modelos sobre músculos clave

Los modelos informáticos distinguieron masa muscular baja de alta con una precisión notable, alrededor del 95 por ciento durante la marcha a velocidad normal y 94 por ciento durante la marcha rápida para los mejores métodos. Igual de importante, el equipo usó una herramienta de explicación para ver qué características fueron las más relevantes para las predicciones. Durante la caminata a velocidad cotidiana, la señal más informativa procedía del músculo situado en la parte frontal de la espinilla, donde una potencia pico menor se relacionó con una mayor masa muscular global. Durante la marcha rápida, la característica más influyente fue la frecuencia con la que la señal eléctrica de un gran músculo posterior del muslo cruzaba por cero, una medida de su patrón de disparo rápido, que tendía a ser mayor en personas con más músculo.

Qué podría significar esto para la salud cotidiana

En términos sencillos, el estudio muestra que cómo se activan tus músculos de la pierna mientras caminas contiene una firma legible de cuánta masa muscular tienes en general. Una prueba rápida de caminata con sensores, analizada por métodos informáticos transparentes, podría algún día ayudar a detectar a adultos que se encaminan hacia una masa muscular baja mucho antes de que se sientan débiles o lentos. Aunque aún se necesitan estudios más amplios y diversos, este trabajo sugiere que una breve caminata por el pasillo de la clínica podría complementar eventualmente los escaneos tradicionales como un chequeo práctico de la salud muscular.

Cita: Lee, D., Konki, S.K., Jung, D. et al. Discovery of key surface electromyography features during walking for discerning high and low muscle mass using machine learning analysis. Sci Rep 16, 14867 (2026). https://doi.org/10.1038/s41598-026-45053-8

Palabras clave: masa muscular, electromiografía de superficie, análisis de la marcha, aprendizaje automático, riesgo de sarcopenia